Anda di halaman 1dari 6

EXPLORATORY FACTOR ANALYSIS

1. DEFINISI
Faktor Analisis, termasuk variasi seperti analisis komponen dan faktor analisis umum
adalah pendekatan statistik yang dapat digunakan untuk menganalisis hubungan
diantara beberapa variabel dan menjelaskan variabel-variabel ini dalam keadaaan
umumnya berdasarkan dimensi (faktor). Tujuannnya adalah untuk mencari cara
menyingkat informasi yang terdapat dalam beberapa variabel asal menjadi serangkaian
variabel yang lebih kecil (faktor) dengan meminimalkan kehilangan informasi (Hair).
Faktor analisis adalah salah satu keluarga analisis multivariate yang bertujuan
meringkas atau mereduksi variabel amatan secara keseluruhan menjadi beberapa
variabel atau dimensi baru. Akan tetapi dengan variabel atau dmensi baru yang
terbentuk tetap mampu mempresentasikan variabel utama. Dalam analisis faktor
dikenal 2 pendekatan utama, yaitu Exploratory Factor Analysis (EFA) dan Confirmatory
Factor Analysis (CFA). Kita menggunakan EFA bila banyaknya faktor yang akan terbentuk
tidak ditentukan terlebih dahulu. Sebaliknya CFA digunakan apabila faktor yang
terbentuk telah ditetapkan terlebih dahulu. (Yamin: 179). Pada pembahasan ini lebih
difokuskan pada Exploratory Factor Analysis.

Factor Analysis

Exploratory
Factor Analysis
(EFA)

Confirmatory
Factor Analysis
(CFA)

Exploratory Factor Analysis

Asumsi mendasar yang harus digarisbawahi dalam analisis faktor adalah variabelvariabel yang dianalisis memiliki keterkaitan atau saling berhubungan karena analisis
faktor berusaha mencari common dimensions (kesamaan dimensi) yang mendasari
variabel-variabel itu.

2. FUNGSI
Fungsi dari Exploratory Factor Analysis adalah :
1. Untuk mengidentifikasi dimensi mendasar (faktor) yang dapat menjelaskan korelasi
sekumpulan variabel.
2. Untuk mengidentifikasi variabel baru, yang dapat digunakan untuk analisis lainnya
(contohnya: Regresi)
3. Untuk mengidentifikasi satu atau beberapa variabel dari avariabel yang banyak
jumlahnya.
Analisis faktor dapat juga digunakan sebagai salah satu analisa untuk
menganggulangi masalah

multikolinieritas dalam

regresi berganda, yaitu dengan

merduksi variabel-variabel independen yang mengalami problem multikolinieritas.

3. IMPLEMENTASI FACTOR ANALYSIS PADA KASUS


Contoh:
Seorang manajer riset sebuah pusat perbelanjaan ingin mengetahui persepsi
terhadap pelayanan yang selama ini dilakukan di Mall. Ada 6 atribut yang ditanyakan
kepada pelanggan uyang datang dan diminta untuk menjawab tingkat kepuasan atau
persepsi terhadap keenam atribut tersebut. Atribut tersebut adalah: Pelayanan
Customer service, Luasnya Area Parkir, Kebersihan Area Belanja, Kelengkapan Penunjuk
Arah, Kenyamanana Area Belanja dan Kelengkapan Toko. (Tabel data terlampir)

Exploratory Factor Analysis

Hasil Olah data menggunakan SPSS

Tabel KMO dan Bartletts test menunjukkan uji kelayakan dari analisis faktor.
Adapun klasifikasi nilai KMO sebagai berikut :
<0,9

: marvelous

0,8-0,9 : meritorious
0,7-0,8 : middling
0,6-0,7 : mediacore
0,5-0,6 : miserable
< 0,5

: unacceptable

Dalam contoh kasus ini, terlihat nilai KMO sebesar 0,652 (>0,5) dan p-value
Bartletts test sebesar 0,00 (<0,05) sehingga model faktor yang terbentuk layak
digunakan.

Exploratory Factor Analysis

Kemudian setelah melihat nilai KMO dan Bartletts Test, kemudian dilihat juga nilai
anti image correlation. Pada tabel ini dilihat nilai MSA yang dibaca dari kiri atas ke kana
bawah secara diagonal. Untuk syaratnya apabila nilai MSA <0,5, maka variabel tersebut
sebaiknya di drop dari sistem analisis dan dilakukan analisis ulang hingga mencapai
semua nilai MSA > 0,5. Dilihat dari tabel, semua nilai MSA telah memenuhi syarat.

Untuk communalities menunjukkan berapa persen faktor atau variabel baru yang
terbentuk dari analisis faktor dapat menerangkan varians dari variabel tersebut. Di tabel
terlihat bahwa untuk variabel pelayanan customer service, diperoleh nilai communalities
sebesar 0,653 yang berarti 65,3% faktor yang terbentuk mampu menerangkan varians
dari variabel atribut pelayanan customer service dan seterusnya.

Total variance explained menunjukkan nilai persen dari varians yang mampu
diterangkan oleh banyaknya faktor yang terbentuk, nilai ini didasarkan pada nilai
eigenvalues, yang menggambarkan kepentingan relatif setiap faktor dalam menghitung
varians dari variabel yang dianalisis. Nilai eigenvalue dilihat pada kolom initial

Exploratory Factor Analysis

eigenvalues (total). Nilai eigenvalues untuk faktor 1 sebesar 2,124, faktor 2 sebesar
1,405, dan seterusnya. Secara umum nilai eigenvalues yang harus diambil didasarkan
pada asumsi nilai eigenvalues > 1 sehingga pada kasus ini diambil 2 faktor saja.

Scree plot ini menerangkan hubungan antara banyaknya faktor yang terbentuk
dengan nilai eigenvalue dalam bentuk grafik.

Pada tabel rotated component matrix menunjukkan nilai loading factor (besarnya
korelasi antara faktor score dan variabel) dari setiap variabel. Terlihat pada tabel untuk
atribut pelayanan customer service, korelasi antara variabel tersebut dengan faktor 1
sebesar -0,065 dan korelasinya dengan faktor 2 sebesar 0,805 (tanpa melihat nilai +/-).

Exploratory Factor Analysis

Ini menunjukkan bahwa variabel pelayanan customer service masuk ke dalam faktor 2
karena nilai korelasinya lebih besar bila dibandingkan dengan nilai korelasinya ke faktor
1, dan begitu juga seterusnya. Secara keseluruhan dapat dilihat bahwa faktor 1 terdiri
dari variabel luas area parkir, kebersihan area belanja, kelengkapan penunjuk arah, dan
kelengkapan took. Sementara faktor 2 diisi oleh pelayanan customer service dan
kenyamanan area belanja. Kemudian bila ditampilkan pada chart akan menghasilkan
gambar sebagai berikut.

Setelah didapat hasil analisanya, maka dilakukan pengelompokan dengan member


kode nama pada setiap faktor yang terbentuk. untuk kasus ini, anggap saja faktor 1
diberi nama pelayanan nonfisik dan faktor 2 diberi nama pelayanan fisik.

Exploratory Factor Analysis